
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Ramos, Jose Alberto, 1982- | - |
| Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Matemática | - |
| Autor(es): dc.creator | Kutz, Felipe de Jesus | - |
| Data de aceite: dc.date.accessioned | 2025-09-01T11:38:11Z | - |
| Data de disponibilização: dc.date.available | 2025-09-01T11:38:11Z | - |
| Data de envio: dc.date.issued | 2021-05-18 | - |
| Data de envio: dc.date.issued | 2021-05-18 | - |
| Data de envio: dc.date.issued | 2019 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/69923 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/69923 | - |
| Descrição: dc.description | Orientador: Prof. Dr. Jose Alberto Ramos Flor | - |
| Descrição: dc.description | Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Matemática. Defesa : Curitiba, 29/10/2020 | - |
| Descrição: dc.description | Inclui referências: p. 58-60 | - |
| Descrição: dc.description | Resumo: Neste trabalho s˜ao estudados os problemas de classifica¸c˜ao bin'aria, nos quais h'a um n'umero m de observa¸c˜oes em um espa¸co de n dimens˜oes e n ? m ou n ? m. No 'ultimo caso o problema 'e denominado Amostras de Tamanho Pequeno (SSS, do inglˆes Small Sample Size). Nesse caso, o problema de classifica¸c˜ao se torna mais dif'?cil, pois os algoritimos podem sofrer de um fenˆomeno chamado de maldi¸c˜ao da dimensionalidade. Tal fenˆomeno faz com que o classificador tenha um baixo n'umero de acertos. Tamb'em pode ocorrer um problema chamado de sobreajuste, isto 'e, quando o classificador consegue classificar bem os dados que foram utilizados para constru'?-lo, no entanto, n˜ao apresenta uma boa taxa de acertos para novos dados. Uma t'ecnica utilizada para espa¸cos com muitas caracter'?sticas 'e a sele¸c˜ao de caracter'?sticas, que pode melhorar a taxa de acertos de um classificador, al'em de fornecer um melhor entendimento dos dados que est˜ao sendo classificados. O modelo estudado neste trabalho 'e uma variante de Least Squares Support Vector Machine (LS-SVM) com o Kernel linear, chamado de Lq-norm Least Squares Support Vector Machine (Lq-norm LS-SVM), que constr'oi um classificador capaz de realizar a sele¸c˜ao de caracter'?sticas e predi¸c˜ao de dados simultaneamente, mesmo no caso SSS. Palavras-chave: Aprendizagem supervisionada. Classifica¸c˜ao. Lq-norm Least Squares Support Vector Machine. Sele¸c˜ao de Caracter'?sticas | - |
| Descrição: dc.description | Abstract: In this work we study the binary classification problems, in which we have a number m of data observations in a space with dimension n and we have that n ? m or n ? m. In the last case the problem is called Small Sample Size (SSS). In this case, the classification problem becomes more difficult, since the algorithms can suffer from a phenomenon called the curse of dimensionality. This makes the classifier have a low number of correct answers, also can occur a problem called overfitting, that is, when the classifier is able to classify correctly the data that were used to build it, however, it does not present a good rate of correct predictions for new data. A technique used for spaces with many characteristics is known as feature selection, which can improve the ability of a classifier to predict correctly new data, avoid overfitting and also provide us a better understanding of the data. The model that we study in this work is a variant of Least Squares Support Vector Machine (LS-SVM) with linear Kernel, called Lq-norm Least Squares Support Vector Machine (Lq-norm LS-SVM), which builds a classifier able to perform feature selection and prediction, even in SSS case. Keywords: Supervised learning. Classification. Lq-norm Least Squares Support Vector Machine. Feature selection. | - |
| Formato: dc.format | 62 p. : il. (algumas color.). | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Palavras-chave: dc.subject | Matemática | - |
| Título: dc.title | A study about Lq-norm least squares support vector machine with feature selection | - |
| Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: